蔚来将TRAE应用于智能座舱研发

蔚来汽车从能力、成本、安全合规三个维度综合评估后选择部署 TRAE，推动 AI Coding 在智能座舱研发场景落地，除辅助生成代码外，还把 AI 用于代码审查、问题定位、知识沉淀等环节并封装为 Skill 技能包。目前开发人员日活跃率超 70%，AI 代码采纳率达 90%，AI 代码入库率达 19.8%。TRAE 已覆盖蔚来智能系统、车载互联等核心研发场景，支持 IDE/CLI/Work 多种使用形态。个案层面：某车载互联研发团队工程师把 TRAE 作为日常主力 IDE，Token 用量从基础配额追加到 1.5 亿；某智能交互系统工具核心开发者用 TRAE 生成架构说明文档、按规范输出核心控制模块代码并生成测试代码沉淀为可复用 Skill，原本预估 1 个月的开发任务实际 2 周完成、效率提升一倍。 蔚来把 AI 代码审查定位为在不同阶段构建多层质量防线、让问题尽早暴露，而非替代人工 Review，并建立三层体系：本地全量 Review 对整个仓库做低频但大范围深度「体检」，检查架构设计合理性、系统稳定性与业务历史问题是否重现；本地增量 Review 在每次提交新代码前高频自动质检当前改动的语法、规范与业务逻辑，把问题拦截在编码阶段；在线增量 Review 作为团队门禁对 MR 在线审查，用统一审查标准只上报真正的问题。相关能力被封装为可复用的 Skill 技能包。 针对新人入职面临的知识无法继承问题（研发文档不全、代码量过大读取周期长、历史经验只存在于老员工脑中），蔚来先用 AI 的上下文理解能力把代码、文档、历史问题串联起来，自动生成项目入门 Wiki，帮新人快速建立认知；同时推动知识持续沉淀，开发过程中新产生的问题、架构变更、踩坑经验由 AI 实时总结并迭代进知识库，研发人员通过自然语言交互即可调取项目知识与前人经验，形成知识闭环；另将代码上下文、Bug 日志、评论及历史解决方案一并交给 AI 辅助分析与定位复杂问题，据称团队内部多个长期悬而未决的问题由此得到解决。